Nous pouvons également obtenir les tailles de l’effet pour nos effets. Les tailles de l’effet sont données dans la colonne de droite sous la forme de statistiques Eta-carré partiel (vous pouvez les trouver sous Options, puis Estimates of effect size) :
La proportion de variance expliquée par epoch sur la combinaison linéaire de mb, bh, bl et nh variait de 0.088 à 0.298 selon le test multivarié interprété.
Pour le Lambda de Wilks, nous pouvons dire qu’environ 9.7% de la variance dans notre combinaison linéaire est expliquée par la connaissance de epoch.
Tests Univariés
Par défaut, SPSS nous fournit également les Tests Univariés des Effets Inter-Sujets. Ces tests évaluent l’hypothèse nulle qu’il n’y a pas de différences de moyennes dans la population pour epoch sur chaque variable dépendante considérée séparément. Ce test peut ou non vous intéresser. Lorsque vous effectuez une MANOVA, vous souhaitiez probablement analyser une combinaison linéaire de variables de réponse. Si c’est le cas, alors à moins que vous ne vouliez également tester chaque variable de réponse de manière univariée, ces tests ne présenteront pas d’intérêt. Néanmoins, nous les interprétons car SPSS les affiche par défaut.
Une fois de plus, nous passons l’interprétation des résultats pour l’intercept car il n’est généralement pas d’intérêt. Les tests sur epoch, en revanche, sont intéressants. Nous résumons ce que nous indique la sortie :
-
Lorsque mb est considérée comme la seule variable dépendante, nous avons des preuves de différences de moyennes sur epoch (p=0.000).
-
Lorsque bh est analysée comme la seule variable dépendante, nous avons des preuves de différences de moyennes sur epoch (p=0.049).
-
Lorsque bl est analysée comme la seule variable dépendante, nous avons des preuves de différences de moyennes sur epoch (p=0.000).
-
Lorsque nh est analysée comme la seule variable dépendante, nous n’avons pas de preuves de différences de moyennes sur epoch (p=0.203).
Ainsi, nous pouvons voir que pour trois des quatre variables de réponse, nous sommes en mesure de rejeter l’hypothèse nulle d’égalité des moyennes de la population sur ces variables. Il est très important de noter que même si nous avons obtenu un effet multivarié statistiquement significatif dans notre MANOVA, cela n’implique pas que les quatre tests univariés seraient statistiquement significatifs (notez que seulement trois des quatre tests univariés sont statistiquement significatifs). De même, même si nous avions obtenu quatre tests univariés statistiquement significatifs, cela n’aurait pas automatiquement impliqué un effet multivarié statistiquement significatif. Cette idée que la significativité multivariée n’implique pas automatiquement une significativité univariée (et vice versa) est généralement connue sous le nom de Paradoxe de Rao.